通信世界网消息（CWW）光网络承担着海量信息传输任务，是支撑经济社会数字 化转型的重要基础设施。随着大数据、物联网、云计算、AI（人工智能）等新技术的快速发展，云游戏、VR（虚拟现实）/AR（增强现实）等新型业务对光网络的带宽、时延、安全性和可靠性提出了更高要求。欧洲电信标准化协会（ETSI）于2020年提出从“光纤到户”迈向“光联万物”的产业愿景，标志着F5G（第五代固定网络）时代正式开启。F5G的主要特征有三个，分别是超大带宽（eFBB）、全光连接（FFC）和可保障品质体验（GRE）。2022年9月，ETSI第五代固定网络产业工作组发布《F5G Advanced and Beyond》白皮书，介绍了F5G向F5G-A（F5G Advanced，第五代固定网络的演进版）演进的驱动因素、能力维度和关键使能技术。综合来看，F5G-A是对F5G的增强，同时向实时韧性连接（RRL）、光感知与可视化（OSV）、绿色敏捷全光网（GAO）三个方面扩展。

当前，AI正以前所未有的速度重塑世界，其影响力遍及经济、社会、文化等各个领域。作为推动第四次工业革命的关键技术，AI不仅极大提升了生产效率和创新能力，还促进了众多新兴产业的发展，如自动驾驶、智能家居、精准医疗等。随着物联网、4K/8K视频、50G-PON等新技术和新业务的蓬勃发展，网络规模呈指数级增长，用户对极致体验的追求愈发强烈，新兴网络服务对光网络提出了更高要求。因此，迫切需要通过引入智能化技术，推进光网络数智化转型，解决网络规划、建设、运维等工作中存在的成本和效率问题，实现网络提质增效，引领网络技术变革。

在上述背景下，本文介绍了AI发展历程及光网络中应用的部分AI算法，分析了AI在光网络中的应用场景，并探讨了光网络引入智能化技术面临的挑战和机遇，为未来光网络数智化转型提供思路。

光网络中的AI算法研究

AI研究的一个核心方向是智能体（Agent），即能够感知环境信息、做出决策并采取行动，以实现特定目标或最大化其性能指标的实体，且可通过学习进一步提升性能。在光网络中，智能体指具备自主决策和学习能力的软件或硬件实体，其通过感知网络状态、分析数据并执行动作，优化光通信系统的性能、可靠性或资源利用率。应用于光网络中的部分AI算法如图1所示。

图1 应用于光网络中的部分AI算法

最简单的网络场景是确定性的、可观察的、静态的且完全已知的。对于这些场景，搜索算法和优化理论是常用的AI技术，长期以来广泛应用于光网络的设计与控制中，例如使用优先搜索算法进行路由选择，以及采用混合整数线性规划模型或非线性规划模型进行网络规划等。然而，当上述某些条件放宽或网络规模扩大导致前几种技术应用受限时，这些方法便被局部搜索算法及元启发式算法（如模拟退火、遗传算法、粒子群优化算法等）取代，例如光网络规划和光路径建立便受益于这些技术。

在许多情况下，光网络存在单一智能体（如集中控制节点）。然而，在涉及多个智能体的场景中，一个智能体的行为会影响其他智能体，此时博弈论可能发挥作用，例如在EON （弹性光网络）中。

将智能融入光网络时，有三个值得注意的问题：如何处理不确定性、如何解决决策问题、如何实现学习。解决上述问题需要做好三方面工作。

一是用好稳健模型的工具。光网络中不确定性事件频繁发生，因此智能体必须能够在不确定性环境中稳健运行。统计模型（尤其是贝叶斯网络）是构建这类稳健模型的有力工具。此外，由于光网络状态具有时变性，智能体须集成时序模型以执行过滤、预测或平滑过渡等任务，如隐马尔可夫模型和卡尔曼滤波器等。

二是运用决策算法。这些算法的核心原理是最大化预期效用，通过定义一个效用函数（即长期累积奖励的期望），智能体以最大化该函数为目标做出决策。然而，现实的网络环境存在不确定性，且智能体的效用通常取决于一系列决策而非孤立动作。因此，在不确定环境中，智能体的决策问题可建模为顺序决策问题。若智能体的行为仅依赖于当前状态而不受历史状态影响，这些问题可以通过马尔可夫决策过程来解决。

三是构建学习能力。学习使智能体能够通过积累经验，提升其在未来任务中的表现。具备学习能力的智能体可以适应环境变化，甚至能够应对网络设计时无法预见的情景。此外，在许多情况下，从现有数据中学习是生成有效模型的重要途径。概率学习方法和机器学习（ML）提供了从现有数据中学习的理论和工具，这些数据可通过感知、监测技术在光网络中收集。

尽管智能体可以通过概率和决策理论处理不确定性，但仍需要从经验中学习环境的概率特性（如信道状态转移规律）。贝叶斯学习通过概率推理框架，利用观察结果更新参数的先验分布，例如最大后验学习根据数据选择最可能的参数；而最大似然学习则选择最大化数据似然性的参数。这些技术已应用于光接收器的关键任务，如基于贝叶斯学习的自适应均衡。

除了上述技术外，ML也被广泛应用。ML主要分为监督学习、无监督学习和强化学习（RL）三大类。在监督学习中，智能体观察输入输出对，学习从输入到输出的映射函数，相关技术包括线性回归、逻辑回归、神经网络和支持向量机（SVM）等。目前，监督学习已用于光性能监测、光网络传输质量（QoT）估计及数据中心资源分配。在无监督学习中，智能体无需明确输出即可从输入数据中学习内在变化的模式，此类学习中的聚类和主成分分析（PCA）已被用于光性能监测、调制格式识别等。在强化学习中，智能体通过与环境互动获得的奖励（或惩罚）学习最优（或接近最优）策略，相关技术包括自适应动态规划和时间差分方法。Q-学习是一种经典技术，旨在为给定的马尔可夫决策过程找到动作选择策略的最佳质量值（Q 值），目前已被用于光突发交换网络中的路径和波长选择。

AI在光网络中的应用场景分析

AI为网络动态控制管理中的网络不确定性应对、智能决策制定提供了多种途径，通过利用当前网络状态和历史数据进行预测与估计，使光网络的一系列智能化应用得以实现。从光网络规划、光网络自优化、光网络自智三个方面，对AI在光网络中的不同应用场景进行分析。

光网络规划

光网络规划的主要任务是根据当前业务需求分析网络现状，并据此制定网络发展策略，确保新建网络或新增业务能充分满足用户需求。在网络建设初期，AI被应用于网络规划，以对网络拓扑结构中的节点、光纤线路及承载业务的路由进行合理部署。

随着网络节点、链路数量的增加，光网络规划与路由问题日益复杂，因此对规划与路由算法的要求不断提高，不仅要求算法的优化性能好，还要求效率高。首先，收集光网络流量数据，应用算法训练模型，通过对历史和当前流量的分析，算法可以学习流量变化的模式和趋势，从而预测未来的流量。通过预测流量的趋势和峰值，运营商可以更好地规划网络容量和分配资源，以避免造成网络拥堵和性能下降。其次，通过学习和分析网络拓扑结构、业务特性，识别网络中的瓶颈和冗余资源，进而优化网络资源配置，提高网络的可靠性和资源利用率。通过对网络资源占用状态、光纤可用率、路径时延的实时感知，利用算法分析网络规划习惯并识别业务特征，精准给出匹配用户诉求的多个路由推荐，并提供多个路由的关键绩效指标信息，辅助快速完成路由规划，同时提升网络业务承载量和资源效能。

光网络自优化

为应对业务需求的不断变化、确保网络性能始终保持最佳状态，并充分发挥网络潜力，需要对波长、链路和路由进行实时动态优化。以往的传输优化工具或软件通常依赖固定方法和简单基础规则，有时甚至依靠人工经验进行网络优化。这些方法因不能深入识别网络特征、考虑因素单一、缺乏充分的相关性分析，导致优化结果往往是局部而非全局最优，缺乏广泛适用性。随着网络规模扩大和业务类型多样化，传统优化方法已难以满足需求，迫切需要引入AI技术实现网络全生命周期内的智能、精细、动态优化。

AR/VR、8K、云游戏等高清视频类业务交互性强、并发性高，与传统上网、语音等弱交互、统计复用业务相比，对网络带宽、时延、丢包率等要求不尽相同，需要为此类新型业务预留独立资源以保障用户体验，依赖人工根据业务变化动态调整资源分配基本不可行，须引入AI切片调度，保障不同业务的差异化需求。

光网络自智

在光网络中，秒级和毫秒级的业务中断频繁发生且持续时间极短，经常无告警信息，导致故障无法被及时发现并排除、人工定位与故障回溯困难，严重影响用户体验和运营商口碑。同时，用户体验差与应用类型、带宽大小、连接方式等多个因素密切相关，问题查找涉及大量网络数据分析，而传统人工分析方法效率低，多数情况下难以彻底解决问题。迫切需要应用AI提高光网络对瞬态变化的感知精度，实现对性能瞬变的实时监测和对业务闪断的智能定位。

AI在光网络中的应用案例探讨

光纤不仅可以作为传输介质，还可以作为传感器感知外 界环境的变化。光信号在光纤内传输过程中受到外界环境的干扰，一些特性会发生相应的变化，例如压力、温度、振动等环境因素对光的强度、相位、偏振态等特性产生影响，通过检测光在传播过程中上述特性的变化，就可以还原外界环境参量的变化，实现“通信”和“感知”一体化。利用光缆哑资源，建立光纤传感网络，实现分布式光纤传感器高带宽、低时延的海量接入，通过智能光纤传感器对光缆沿线的设施、交通、地质等环境状态进行感知，在物联网平台将感知数据联通并建立数据共享、设备协同机制，运用大数据分析、ML、模式识别等对智能传感数据建模、分析、预测，形成无感采集、智能预警、多层次布控，实现智慧家庭、智能制造、智慧应急、地质环境监测等功能，构建光缆自身状态与周边环境变化监测及安全防护新业态（如图2所示）。

图2 智能光网络通感一体场景应用

运营商通过FTTR（光纤到房间）与AI智能管家的深度融合，实现千兆光网无死角覆盖，支持8K视频、VR设备、智能终端运行；AI智能管家依托边缘计算与ML，实现智能化人机交互、家庭安防动态响应等。“FTTR+AI”使家庭场景从“设备互联”迈向“服务主动化”，推动居家体验向舒适、安全方向跃迁。

光纤传感技术凭借其物理特性与技术优势，成为连接智能制造需求与工业场景落地的关键纽带。光纤传感器具备无需供电、抗电磁干扰、耐高温等物理特性，以及低时延和高可靠性等技术优势，非常适合在工业互联网中使用。例如，FTTM（光纤到机器）实现了光纤网络向工业制造等行业延伸，使光纤的优势最大化。通过实时感知光纤及周边环境设备的振动、温度、应力等变化，结合智能算法，实现高精度工业现场环境检测、设备故障预警和预防性维护，同时帮助企业实现智能化生产管理，提高生产效率和产品质量。

AI在光网络中应用的挑战与机遇

目前，光网络正通过引入智能化技术逐步解决智能规划、智能优化、智能管理等难题，加速向智能光网络演进。光网络引入智能化技术面临的主要挑战包括以下几个方面。

一是数据获取与处理困难。在光网络中，数据采集、处理、传输是关键任务。智能化应用依赖大量数据，但光网络数据获取面临数据格式不统一、质量差、处理复杂等问题。同时，随着光网络进入400G/800G时代，系统上报数据间隔缩短至毫秒级，数据量陡增。因此，如何构建高效、灵活且可扩展的基础模型、功能模型、通用大模型是一大挑战。

二是标准化和规模化应用不足。当前光网络智能化应用缺乏标准化和规模化，各大行业组织、各厂商标准与实践各异，导致互操作性和兼容性差，制约了光网络智能化的发展与应用。

三是实时性矛盾突出。光网络对实时性要求高，而智能化应用的处理通常需要一定时间。将智能化技术应用于光网络可能影响网络的实时性，须采取措施加以解决。

四是网络信息安全存在风险。在光网络智能化应用中，安全问题不容忽视，如防范网络攻击、保护用户隐私等。因此，须采取数据加密、访问控制等措施，确保网络的安全稳定。

结语

光网络作为重要的信息基础设施，正与AI技术深度融合， 开启智能化演进的新篇章。光网络可利用AI技术优化资源调度、预测流量波动、实时检测故障等，显著提升网络效率与可靠性。随着芯片、算力等技术的突破，AI与光网络的融合创新将加速向“感知—传输—决策”一体化方向演进，推动工业互联网、万兆光网等前沿领域变革，让光与智能真正赋能万物互联的数字化未来。

*本篇刊载于《通信世界》2025年6月10日*

第11期 总969期